基于GA-BP的矿用提升机制动器故障诊断方法

狄日升

（同煤浙能麻家梁煤业有限责任公司大型一队， 山西 朔州 036000）

引言

制动器是矿井提升机的重要组成部分，在保证矿井提升机正常、平稳运行中起着不可或缺的作用，由于制动器的运行是依靠机电液耦合作用，各种信号的耦合是制动器发生故障时诊断困难的主要原因，因此，制动器故障诊断的研究对提高制动器的可靠性有重要的意义。矿井提升机在复杂、恶劣的环境下工作，其受到的载荷、运行速度等变化较为剧烈，运行过程中容易发生各种难以预测的问题，因此对矿井提升设备制动器的故障类型识别、故障严重程度评估以及故障诊断的研究具有重要的现实意义。

1 GA-BP神经网络

BP神经网络是一种前向多层次的网络，在网络培训过程中，BP神经算法即调整网络权值的训练方法[1-2]。BP神经算法作为神经网络中的精华部分，由于其机构简单，可塑性、非线性映射能力及分布式处理能力较强，因而在信息分类处理、数据压缩等相关领域应用较为广泛。BP神经网络由输入层、隐含层以及输出层三部分构成。BP神经网络结构如图1所示，神经网络的上、下层之间全部连接，各层之间的神经元无连接。

GA-BP神经网络由于较BP神经网络具有收敛更快，记忆能力以及网络学习能力更为稳定等优点[3]，如图2所示是GA-BP神经网络算法流程示意图。GA-BP神经网络由种群初始化、适应度函数、选择算子、交叉算子以及变异算子等要素组成。种群初始化采用二进制编码；适应度函数采用分配函数[4]FitnV=ranking（obi），其中，obj表示目标函数输出值选择算子应用随机抽样；交叉算子采用单点交叉算子。遗传算法具体运行参数如下：种群大小为100；二进制位数为10；遗传代数为150；交叉概率采用0.7；代沟0.95；变异概率选用0.01。

图1 BP神经网络结构示意图

图2 GA-BP神经网络算法流程示意图

2 BP网络输入输出参数的确定

通过对矿井提升机制动器的日常故障的先关资料和因素的收集，确定贴闸油压（Pt/MPa）、制动正压力（PN/kN）、液压系统残压（Pc/MPa）、松闸油压（Ps/MPa）、液压站油压（p/MPa）、闸瓦贴合状态（Pk）、磨损超限判定油压（Pt/MPa）等7个神经元为BP网络输入层；制动器的故障类型构成了BP网络输入层，共由6个神经元组成，具体如表1所示。

表1 输出层神经元

3 神经网络建立

矿用提升设备的故障类型较多，神经网络中隐含层选取多少是较为困难的问题，隐含层选取过多导致神经网络训练时间过长，运算过程中容易出错，通过相关研究得知，BP神经网络隐含层从3开始到17时，神经网络的收敛及精度较高，因此，选取的神经网络结构是7×17×6。

BP神经网络中训练样本的选取对训练过程中的收敛有重要的影响，考虑到矿井提升设备的制动器影响因素较多，在最终确定训练样本时每一种引起制动器故障的数据都应加以考虑，经反复选定，最终选取30组数据进行样本进行训练，由于篇幅有限，文中仅列举出故障的样本数据。BP神经网络的输入、输出结果如表2、表3所示。

表2 故障诊断训练样本数据

表3 输出训练样本

为了判断GA-BP神经网络在故障诊断方面的表现，选取提升机制动器的30组数据运用GA-BP神经网络与Elman网络及传统BP神经网络分别进行训练，得到各个神经网络的训练误差曲线，如图3—图5所示为GA-BP神经网络、Elman神经网络及传统BP神经网络的训练误差曲线。

从图3—图5可以清晰地得出：GA-BP神经网络的迭代次数在3种迭代网络中最低，为19次，Elman神经网络的迭代次数是250次，较GA-BP神经网络迭代次数高13倍；传统BP神经网络训练过程中迭代次数是29次，较GA-BP神经网络迭代次数高2倍。GA-BP神经网络的迭代次数及运算误差均较传统BP神经网络、Elman神经网络小的多，体现出GA-BP神经网络具有更强的全局搜索能力。为进一步判断GA-BP神经网络的故障诊断能力，选取3组未训练的矿用提升机制动器的实测数据进行研判，具体测试数据样本如表4所示，计算结果如第202页表5所示。

图3 GA-BP网络迭代次数及训练误差

图4 传统BP网络迭代次数及训练误差

图5 Elman神经网络迭代次数及训练误差

表4 测试样本数据

4 结语

制动器是矿井提升机的重要组成部分，由于制动器处于潮湿、粉尘、腐蚀性气体等各种不利因素混杂的恶劣环境下工作，导致其故障诊断比较困难。因此，对矿用提升机制动器故障诊断的研究显得十分有意义，且GA-BP神经网络在矿用提升机制动器故障诊断方面更具优势，为矿用提升机制动器故障诊断提供一种新的、可行的手段。

表5计算结果